1.一种办公建筑能耗预测方法,其特征在于,包括以下步骤:
采集当前办公建筑不同能源使用设备的负荷序列;
将不同能源使用设备的负荷序列分解为多个模态分量,对每个模态分量计算其样本熵;根据每个模态分量的样本熵,对其对应的模态分量进行重组;将重组后的每个模态分量作为节点,使用动态时间规整计算各个模态分量之间的时序相似性,将时间相似性作为节点之间的边,构建出图结构;所述对每个模态分量计算其样本熵,具体包括以下步骤:将每个模态分量按序号组成一组维数为m的向量子序列:,其中,;每个模态分量是由N个数据组成的时间序列;定义向量子序列与另一个向量子序列之间的距离为两者对应元素中最大差值的绝对值;其中,w表示子序列的起始位置索引,s表示另一个子序列的起始位置索引;对于给定的,统计与之间距离小于或等于相似度阈值r的s的数目,并记作,,;对于,从第w个子序列出发,其他m维子序列与其距离小于等于阈值r的数目定义为;计算所有的平均值,该平均值代表任意两个m维序列在阈值r下匹配的概率;增加维数到m+1,计算与距离小于等于r的个数,记为,;计算从第w个子序列出发,其他的m+1维子序列与它距离小于等于阈值r的数目,记为;计算所有的平均值,该平均值代表任意两个m+1维的序列在阈值r下匹配的概率;则样本熵表示为:;式中:m为序列维度;N为样本数量;所述据每个模态分量的样本熵,对其对应的模态分量进行重组,具体包括:定义各个不同频率特征的模态分量包含的样本数量为Np,从多个不同子序列中取出第i个样本分量sampi,则得到Np个样本的轮廓系数SCNp表示为:;其中,i代表正整数,1≦i≦Np;ai表示特定样本sampi与其它同类样本间的平均距离;bi为样本sampi与排除其本身的不同类别样本点间的平均距离;根据Np个样本的轮廓系数,对同一聚类的所有模态分量,采用加权平均法进行重组,每个模态分量的能量定义为:;对于每一个聚类组,基于能量计算归一化权重:;其中,j为正整数,是第k个模态分量的能量,是第i个模态分量的能量;代表该模态分量在其所属聚类组内的权重;则得到重组模态分量表示为:;
将图结构输入GCN-Transformer模型中,利用图卷积网络GCN的图卷积操作提取图结构中节点的空间特征,将节点的空间特征输入Transformer模型中,通过引入自注意力机制提取该空间特征的时序特征,得到时空特征;通过将时空特征输入全连接层中,得到未来一段时间的能耗预测值。
2.根据权利要求1所述的一种办公建筑能耗预测方法,其特征在于,通过动态时间规整DTW获取各模态分量之间的相似性,具体包括以下步骤:定义X和Y是两个模态分量序列,长度为T:
计算每个时间步i、j之间的欧几里得距离,得到大小为T×T的代价矩阵;其中,xi是序列X在第i个时间步的值;yj是序列Y在第j个时间步的值;
对于每个点(i,j),计算其最小累计距离:
;
其中,表示从上方移动到(i,j)的累积距离,表示从左侧移动到(i,j)的累积距离;表示从对角线移动到(i,j)的累积距离;逐步计算每个点(i,j)的,直到;
则得到序列X和Y之间的DTW距离为:。
3.根据权利要求2所述的一种办公建筑能耗预测方法,其特征在于,所述利用图卷积网络GCN的图卷积操作提取图结构中节点的空间特征,表示为:;
其中,表示第l层的节点特征矩阵;表示第l层的权重矩阵,用来对节点进行线性变换;是度矩阵,是邻接矩阵A的对角线元素组成的矩阵;是激活函数;邻接矩阵A由组成,表示为:;其中,为设定阈值;为拉普拉斯矩阵,。
4.根据权利要求3所述的一种办公建筑能耗预测方法,其特征在于,所述将节点的空间特征输入Transformer模型中,通过引入自注意力机制提取该空间特征的时序特征,具体包括以下步骤:将输出输入Transformer中提取时间依赖性,由于Transformer需要位置信息,则Transformer的输入序列表示为:,其中,是位置编码,表示为:,t为当前时间步,d为输入特征的总维度;
在多头注意力层中,输入特征通过线性变换生成查询、键、值矩阵;
根据查询、键、值矩阵计算自注意力权重,依据自注意力权重并行计算多头注意力输出,得到;
将多头注意力输出与输入序列进行残差连接,得到特征;
将输入前馈网络中进行计算,得到特征;
将得到的特征与进行残差连接后经过层归一化,得到Transformer提取的最终时序特征。
5.根据权利要求1所述的一种办公建筑能耗预测方法,其特征在于,采用变分模态分解法将负荷序列分解为多个模态分量,具体包括以下步骤:构建变分模态分解的数学模型:
;
其中为各模态分量,是第k个模态分量;为各模态分量中心频率,是第k个模态对应的中心频率;为狄拉克函数;K为分解层数;j1为虚数单位;*为卷子算子;为原始信号;k代表正整数;
通过引入惩罚因子和拉格朗日乘法算子,将变分模态分解的数学模型转变为:
;
式中为拉格朗日乘子,为惩罚因子;
通过迭代优化,求解变分模态分解模型;在每次迭代中,更新和中心频率,直到收敛,得到最终的和对应的中心频率。
6.一种办公建筑能耗预测系统,其特征在于,包括:
采集模块,用于采集当前办公建筑不同能源使用设备的负荷序列;
图结构构建模块,用于将不同能源使用设备的负荷序列分解为多个模态分量,对每个模态分量计算其样本熵;根据每个模态分量的样本熵,对其对应的模态分量进行重组;将重组后的每个模态分量作为节点,使用动态时间规整计算各个模态分量之间的时序相似性,将时间相似性作为节点之间的边,构建出图结构;所述对每个模态分量计算其样本熵,具体包括以下步骤:将每个模态分量按序号组成一组维数为m的向量子序列:,其中,;每个模态分量是由N个数据组成的时间序列;定义向量子序列与另一个向量子序列之间的距离为两者对应元素中最大差值的绝对值;其中,w表示子序列的起始位置索引,s表示另一个子序列的起始位置索引;对于给定的,统计与之间距离小于或等于相似度阈值r的s的数目,并记作,,;对于,从第w个子序列出发,其他m维子序列与其距离小于等于阈值r的数目定义为;计算所有的平均值,该平均值代表任意两个m维序列在阈值r下匹配的概率;增加维数到m+1,计算与距离小于等于r的个数,记为,;计算从第w个子序列出发,其他的m+1维子序列与它距离小于等于阈值r的数目,记为;计算所有的平均值,该平均值代表任意两个m+1维的序列在阈值r下匹配的概率;则样本熵表示为:;式中:m为序列维度;N为样本数量;所述据每个模态分量的样本熵,对其对应的模态分量进行重组,具体包括:定义各个不同频率特征的模态分量包含的样本数量为Np,从多个不同子序列中取出第i个样本分量sampi,则得到Np个样本的轮廓系数SCNp表示为:;其中,i代表正整数,1≦i≦Np;ai表示特定样本sampi与其它同类样本间的平均距离;bi为样本sampi与排除其本身的不同类别样本点间的平均距离;根据Np个样本的轮廓系数,对同一聚类的所有模态分量,采用加权平均法进行重组,每个模态分量的能量定义为:;对于每一个聚类组,基于能量计算归一化权重:;其中,j为正整数,是第k个模态分量的能量,是第i个模态分量的能量;代表该模态分量在其所属聚类组内的权重;则得到重组模态分量表示为:;
预测模块,用于将图结构输入GCN-Transformer模型中,利用图卷积网络GCN的图卷积操作提取图结构中节点的空间特征,将节点的空间特征输入Transformer模型中,通过引入自注意力机制提取该空间特征的时序特征,得到时空特征;通过将时空特征输入全连接层中,得到未来一段时间的能耗预测值。